Residencia de Epidemiología
El método de Kriging es una interpolación espacial utilizada para obtener predicciones en ubicaciones no muestreadas a partir de datos geoestadísticos observados.
Se originó en el campo de la geología minera y lleva el nombre del ingeniero de minas sudafricano Danie G. Krige.
Asume que lo cercano es más parecido a lo que está lejos.
Realiza un promedio ponderado de los valores conocidos. Esta ponderación surge de ajustar previamente un modelo de variograma a los datos observados, lo que nos ayuda a comprender cómo cambia la correlación entre los valores de observación con la distancia entre ubicaciones.
El gráfico del variograma tiene como parámetros principales:
Nugget: es el valor de origen (distancia = 0), representa errores de medición, errores aleatorios, etc
Sill: “meseta”, es el valor máximo que alcanza la semivarianza.Muestra cuánta variabilidad total tiene la variable.
Range: “alcance”, es la distancia a partir de la cual los puntos dejan de estar correlacionados (más allá de esa distancia, los valores ya no se parecen entre sí)
variogram() de gstatvgm() ajustamos un modelo de variograma. Aquí debemos elegir los parámetros estimados en el paso anterior (nugget, still y range) y el modelo.Los modelos posibles son “Exp”, “Sph”, “Gau”, “Mat”, etc. Cada uno tiene sus características que habrá que adaptar a lo que dicen los datos.
Finalmente ajustamos el modelo al variograma empírico con fit.variogram() y vemos si lo teórico ajusta bien en nuestros datos.
El kringing se efectúa usando los datos, más la gilla de puntos a estimar junto con el semivariograma ajustado final.
El Indice se utiliza para:
moran.test() del paquete spdep se puede utilizar para obtener la autocorrelación espacial utilizando el algoritmo de I de Moran.El p-valor no es estadísticamente significativo: No podemos rechazar la hipótesis nula. Es posible que la distribución espacial de los valores de entidades sea el resultado de procesos espaciales aleatorios.
El p-valor es estadísticamente significativo e I de Moran positivo: Podemos rechazar la hipótesis nula. La distribución espacial de los valores altos y los valores bajos está más agrupada espacialmente de lo que se esperaría si los procesos espaciales subyacentes fueran aleatorios.
El p-valor es estadísticamente significativo e I de Moran negativo: Podemos rechazar la hipótesis nula. La distribución espacial de los valores altos y los valores bajos está más dispersa espacialmente de lo que se esperaría si los procesos espaciales subyacentes fueran aleatorios.
La función moran.plot() se puede utilizar para construir un diagrama de dispersión de índices de Moran para visualizar la autocorrelación espacial de los datos.
Este gráfico muestra las observaciones de cada área en relación con sus valores rezagados espacialmente.
El valor rezagado espacialmente para un área determinada se calcula como un promedio ponderado de los valores vecinos de esa área.
localmoran() del paquete spdep se puede utilizar para calcular el I de Moran local.Ii: I de Moran local para cada áreaPr(z > E(Ii)), Pr(z < E(Ii)) o Pr(z != E(Ii)): valor p para una hipótesis alternativa. greater, less o two.sided, respectivamente.Instituto Nacional de Epidemiología